工业发展和城市化进程的加速使得大气污染问题日益突出， 严重影响到人们的生
活和健康， 违背了经济可持续发展的理念， 尤其是近年来许多大城市雾霾天气的频繁
出现， 引发了广泛的社会效应。 随着我国步入“绿水青山就是金山银山” 的“新时代”，
大气污染治理已经势在必行。 科学阐明大气污染的根源， 探究大气污染物浓度变化的
规律及气象条件对浓度的影响， 实现污染物浓度精确预测， 是国际大气化学研究领域
最关注的科学问题， 是制定区域大气污染协同控制方案的基础， 对指导大气治理工作
具有重要意义。
国内外学者展开了大量关于大气污染物浓度预测的研究， 但现有大多大气污染物
浓度预测模型忽视了空气质量监测数据的空间特性， 不能很好地实现时间与空间相关
性的耦合， 造成预测精度不高等问题。 针对上述问题， 本文提出了一种基于长短期记
忆网络–全连接神经网络 (Long Short-Term Memory – Full Connested, LSTM-FC) 的大气
污染物混合预测模型。 本文利用附件提供的多个空气质量监测点的实时监测数据、 一
次预测数据、 以及气象条件等， 通过大量的数据分析及处理， 建立气象条件变化与大
气污染物浓度变化的数学关系， 并预测大气污染物浓度变化的趋势。 结合 Pearson 相关
性分析、 k-means 聚类、 神经网络、 权重预测等相关数学方法和现代信息处理技术， 通
过 Python、 MATLB、 SPSS、 MySQL 等工具辅助解决相关问题。
针对问题一， 对附件一提供的大气污染物实测数据进行数据清洗， 包括数据缺失
检测及近邻填补、 箱型法异常值检测、 数据可视化等。 其次， 根据所给的各项污染物
空气质量分指数（IAQI） 计算模型计算当日空气质量指数（AQI） 及首要污染物， 并
绘制 2020 年全年 AQI 波动曲线并统计首要污染物占比情况。 根据计算结果， 一年中臭
氧为首要污染物的天数占比为 59.6%， 说明臭氧对大气环境的危害程度较大。 最后，
展示了监测点 A 从 2020 年 8 月 25 日到 8 月 28 日每天实测的 AQI 和首要污染物结果。
针对问题二， 对附件一中逐小时预报及实测数据进行预处理， 并对污染物浓度及
气象因子做相关性分析， 为消除不同污染物浓度量纲对分析结果的影响， 对数据进行
标准化处理。 为分析气象因子对污染物浓度的影响， 建立不同气象因子与污染物浓度
的多元线性回归模型， 但经过大量数据训练和分析， 最终选择相关性系数进行分析。
其次， 建立基于 k-means 聚类的气象分类模型， 以手肘法作为聚类数量的判定条件，
将气象因子划分为五类， 分析每类气象条件的特征及其对空气质量的影响， 最终建立
完整的气象条件的分类模型。
针对问题三， 为了建立适用于多个监测点的污染物浓度预报模型， 首先利用
MySQL 对附件一和二中 A、 B、 C 三个监测点的数据进行整合， 在数据预处理时选择
适当的插值方法保证数据时间上的连续性， 降低缺失值对模型的负面影响。 将处理后
的数据拆分为训练接、 验证集、 和测试集， 污染物浓度的的实测值作为标签建立对应
关系。其次， 考虑到气象条件与氮氧化物对臭氧浓度的影响， 分别建立了基于 LSTM-FC
网络的一次大气污染物浓度预测模型和基于 LSTM-FC 网络的臭氧浓度预测模型， 并进
行模型评价。 根据模型训练结果， 该模型对 NO2， PM10， CO 等污染物的预测准确率较
高， 对 SO2 的预测效果略差。 相比于 WRF-CMAQ 预测模型， 一次污染物的预测模型
MSE 指标下降了平均 5.4%， R2指标提高了 4.6%； 对于臭氧浓度预测模型， MSE 指标
下降了 12.4%， R2指标提高了 9.3%， 说明提出的模型有效改进了浓度预测精度。 最终，
展示了监测点 A、 B、 C 自 2021 年 7 月 13 日至 2021 年 7 月 15 日的各污染物的浓度、
AQI 及首要污染物种类。
针对问题四， 对附件一和三中的数据进行预处理和整合。其次， 在问题三 LSTM-FC
网络的基础上考虑不同区域间数据的相关性， 建立了基于时空加权融合的大气污染物
预测模型 (STW-LSTM-FC)。 通过加入图卷积神经网络 GCN 提取多个监测点的空气质
量特征， 将自身数据和邻近区域气象数据的隐藏特征聚合成新的特征结点， 通过区域
协同预报提高了空气质量预报的准确度。 最终， 展示了监测点 A、 A1、 A2、 A3 自 2021
年 7 月 13 日至 2021 年 7 月 15 日的各污染物的浓度、 AQI 及首要污染物种类。
关键词： 空气质量指数 AQI， 大气污染物浓度预测模型， 相关性分析， k-means 聚类，
LSTM-FC 网络模型， STW-LSTM-FC 网络模型， 区域协同预报模型， 评价指标
链接：https://pan.baidu.com/s/1kyNKeEXImgekgGAT1EH-0A?pwd=78n9
提取码：78n9